趙德安 吳任迪 劉曉洋 張小超 姬 偉

(1.江蘇大學(xué)電氣信息工程學(xué)院， 鎮(zhèn)江 212013； 2.中國農(nóng)業(yè)機械化科學(xué)研究院， 北京 100083)

0 引言

蘋果采摘屬于高度重復(fù)的體力勞動，適合機器人完成[1-3]。隨著收入水平的提高和飲食結(jié)構(gòu)的調(diào)整，蘋果消費需求將持續(xù)增加[4]，蘋果生產(chǎn)機械化也顯得愈發(fā)重要，其中采摘機器人是蘋果生產(chǎn)機械化的關(guān)鍵技術(shù)之一。

綜合國內(nèi)外文獻，大致有兩種方法來實現(xiàn)樹木果實采摘的機械化。第1種方法是使用搖動和捕獲裝置收獲果實。文獻[5]利用拖拉機振動器搖動柑橘樹來收獲柑橘，試驗中能夠在5 s內(nèi)收獲72%的果實；文獻[6]利用由液壓驅(qū)動、并由拖拉機動力輸出裝置驅(qū)動振動器收割開心果，在50 mm的振幅和20 Hz的頻率下獲得95.5%的收獲率。此類采摘方法雖然效率高，但只適合堅果類果實的采摘，對蘋果、梨等果實易造成損傷，影響果實的商業(yè)價值[7]。第2種方法是采用機器人進行選擇性采摘，是將機器視覺系統(tǒng)和機械手結(jié)合起來，以便在盡可能不損傷果實的情況下摘取果實[8]。在采摘過程中，果實的識別定位最為重要，研究人員為了解決動態(tài)光照、遮擋和粘連等問題，使用了不同類型的傳感器以及與之配合的圖像處理技術(shù)[9]，比如彩色攝像頭、紅外攝像頭、激光測距儀等。文獻[10]利用機器視覺識別水果，激光測距傳感器確定距離，用末端執(zhí)行器夾住并旋轉(zhuǎn)果梗分離果實。為了節(jié)約成本，文獻[11-12]使用機器視覺中的差分物體尺寸方法和雙目立體圖像方法確定末端執(zhí)行器到果實的距離，并由此來建立果實的三維坐標(biāo)。

以上方法都是在理想實驗室環(huán)境下進行的，未在實際環(huán)境下進行驗證，算法受自然光的干擾影響較大。為了減少自然光對識別的干擾，文獻[13-14]在夜間受控的人工照明下使用雙攝像頭立體裝置進行圖像采集，對蘋果園的作物進行產(chǎn)量估算。文獻[15]運用紅外攝像頭和彩色攝像頭識別樹冠內(nèi)遮擋的綠色蘋果，使用投票方案從2個圖像中確定需要檢測的特征來提高準(zhǔn)確率。除去基于顏色、形狀的識別，還有采用支持向量機或神經(jīng)網(wǎng)絡(luò)的識別方法[16-18]。

除了機器人中的視覺系統(tǒng)，機械設(shè)計同樣影響采摘動作的準(zhǔn)確性和采摘后果實的品質(zhì)。文獻[19]將手工采摘方法作為候選抓取技術(shù)進行評估，利用在末端執(zhí)行器上的力傳感器和慣性測量單元獲取三指動力抓握期間的正常接觸力以及圍繞前臂軸線的旋轉(zhuǎn)角度，針對每個蘋果品種開發(fā)出相對最佳的采摘方法。文獻[20]提出一個帶有真空驅(qū)動柔性抓手的7自由度機械臂，由硅膠漏斗和內(nèi)置攝像頭組成的夾具能夠無損地抓取果實，可在一定程度上減少對目標(biāo)形狀的依賴。文獻[21-22]提出一種多末端收獲機器人，每個手臂都裝有末端執(zhí)行器，利用深度神經(jīng)網(wǎng)絡(luò)在自然光下識別目標(biāo)，通過動態(tài)調(diào)度系統(tǒng)協(xié)調(diào)4個機械臂，采摘速度為5.5 s/個。文獻[23]基于可見/近紅外光譜檢測技術(shù)設(shè)計了蘋果內(nèi)部品質(zhì)分級機械手，實現(xiàn)了在夾持蘋果的同時準(zhǔn)確預(yù)測蘋果可溶性固形物的含量。

當(dāng)前的果樹采摘機器人應(yīng)用難點在于不穩(wěn)定的視覺識別和低效的抓取動作。復(fù)雜環(huán)境對機器人搭載的視覺識別系統(tǒng)提出了很高的要求，魯棒性差的視覺識別限制了機器人的工作時長和范圍；現(xiàn)有采摘機器人的機械臂多由電機模塊組成，抓取時需要進行復(fù)雜的定位動作，導(dǎo)致抓取時間占整個采摘時間的比例很大。

本文討論采摘機器人快速柔性摘取蘋果的能力，快速且魯棒的視覺識別能力和能夠全天候長時間工作的能力。設(shè)計額外的氣動源可使采摘過程中機械臂能夠快速并柔性抓取蘋果，提高整體的采摘速度。采用深度神經(jīng)網(wǎng)絡(luò)的視覺算法提高識別系統(tǒng)對變化光線和復(fù)雜環(huán)境的魯棒性，同時延長機器人的工作時間，以提高機器人的整體工作效率。

1 材料與方法

1.1 研究對象

本文設(shè)計的機器人需要全天候進行作業(yè)，所以其搭載的視覺系統(tǒng)目標(biāo)是能夠識別各種環(huán)境下的蘋果，視覺算法需要有足夠的泛化性和魯棒性。

蘋果圖像采集地點是江蘇省徐州市豐縣大沙河鎮(zhèn)蘋果示范基地和山東省煙臺市蓬萊縣蘋果示范基地，采集時間為2018年10月24日13:00—20:00，采集時攝像頭的位置模仿末端執(zhí)行器所在的高度和姿勢。試驗共采集圖像2 460幅，分辨率為640像素×480像素，其中訓(xùn)練集1 600幅，驗證集860幅。

蘋果樹高度一般為3～5 m，直徑為1.5～3 m，并且呈主干形，蘋果分布均勻。設(shè)計的機械平臺需要能夠達到不同的高度，并且末端執(zhí)行器需要無損地將蘋果從樹上分離。

為了使蘋果收獲機器人具有商用價值。本文的設(shè)計策略是以采摘效率和低成本為最高優(yōu)先級，并將其作為評估整體性能的基準(zhǔn)。

1.2 系統(tǒng)構(gòu)成和流程

1.2.1整體系統(tǒng)組成

本文設(shè)計的蘋果收獲機器人由2自由度電動移動平臺和5自由度機械臂組成。機械臂包括1個手動調(diào)節(jié)升降平臺、3個電機控制的腰部和大小臂部分、氣動控制的小臂直動推桿及末端執(zhí)行器部分、視覺識別部分、各個系統(tǒng)之間的通信部分以及整體控制中樞部分。機械臂內(nèi)各部分間關(guān)系如圖1所示。

視覺系統(tǒng)負(fù)責(zé)目標(biāo)蘋果的識別，包括攝像頭；氣動系統(tǒng)負(fù)責(zé)小臂直動推桿的升縮及末端執(zhí)行器的柔性抓取，包括氣動直動推桿、Festo氣動裝置、紅外傳感器、壓力傳感器、割刀、抓手；電機系統(tǒng)負(fù)責(zé)機械臂的伺服控制，包括伺服驅(qū)動器、電機及轉(zhuǎn)動關(guān)節(jié)；通信系統(tǒng)將各個模塊產(chǎn)生的數(shù)據(jù)與主控機進行交互。

1.2.2整體系統(tǒng)流程

本文的蘋果收獲機器人整體系統(tǒng)的運行流程包含3個線程，分別是控制氣動裝置和顯示調(diào)試界面的氣動線程，控制電機驅(qū)動機械臂移動的電動線程，以及刷新視頻流和檢測蘋果的機器視覺線程，三者之間的協(xié)同工作如圖2所示。

圖1 整體系統(tǒng)構(gòu)成

圖3 YOLO V3網(wǎng)絡(luò)結(jié)構(gòu)

圖2 整體系統(tǒng)流程圖

當(dāng)蘋果收獲機器人開始工作時，會同時啟動3個線程，其中電動線程的“等待目標(biāo)坐標(biāo)”和氣動線程的“等待目標(biāo)對準(zhǔn)”會阻塞直到條件滿足，首先進入搜尋狀態(tài)，此時機械臂以“Z”形往復(fù)運動，使得攝像頭的視野盡可能覆蓋有效的采摘范圍。當(dāng)攝像頭視野中出現(xiàn)蘋果時，機械臂的轉(zhuǎn)速降低進入對準(zhǔn)模式。當(dāng)機械臂上的末端執(zhí)行器對準(zhǔn)蘋果之后，會啟動氣動裝置伸出末端執(zhí)行器，此時末端執(zhí)行器上的傳感器感應(yīng)到目標(biāo)之后抓緊目標(biāo)，抓手的抓力隨著壓力傳感器的數(shù)值變化自動調(diào)節(jié)，使得能夠柔性抓取目標(biāo)。抓到一定緊度后啟動割刀割斷果梗，接著收回末端執(zhí)行器，抓手松開目標(biāo)，使目標(biāo)從輸送管送到果籃。至此，一次采摘的循環(huán)完成，機器人重新進入搜尋模式，繼續(xù)下一次采摘。

1.3 視覺系統(tǒng)

1.3.1識別網(wǎng)絡(luò)

為了讓視覺系統(tǒng)能夠檢測各種環(huán)境下的蘋果，具有足夠的魯棒性，讓視覺系統(tǒng)達到快速和魯棒的識別效果，選用深度卷積神經(jīng)網(wǎng)絡(luò)YOLO V3[24]實現(xiàn)蘋果檢測。深度神經(jīng)網(wǎng)絡(luò)能夠自適應(yīng)地學(xué)習(xí)目標(biāo)特征，實現(xiàn)端到端的目標(biāo)檢測，并且已經(jīng)被證明能夠檢測各種動態(tài)環(huán)境下的目標(biāo)。對網(wǎng)絡(luò)模型進行修剪，具體結(jié)構(gòu)如圖3所示。輸入的圖像通過卷積層提取特征，池化層降低維度，兩者交替放置得出輸出張量。由于檢測目標(biāo)單一，不需要過深的神經(jīng)網(wǎng)絡(luò)，相比于原算法，本文用VGG結(jié)構(gòu)代替殘差網(wǎng)絡(luò)，并將輸出張量的尺寸由3種縮減為2種，網(wǎng)絡(luò)在第4層淺層網(wǎng)絡(luò)處提取信息與第11層深層網(wǎng)絡(luò)進行融合，最終輸出13×13和26×26兩種不同尺寸的預(yù)測張量。其目的是提高整體模型的召回率，使其能夠更好地檢測到蘋果粘連的情況。

設(shè)計了蘋果圖像采集試驗，用于網(wǎng)絡(luò)訓(xùn)練和準(zhǔn)確性驗證，采用PASCAL VOC數(shù)據(jù)集的格式并用LabelImg制作數(shù)據(jù)集。使用Darknet框架在GTX 1080 8G顯卡下進行訓(xùn)練，訓(xùn)練時采用64個樣本作為一個處理單元，使用BN(batch normalization)進行正則化，并且加入比例為0.5的丟棄層(dropout)，以保持每層提取特征的相互獨立，動量(momentum)設(shè)置為0.9，權(quán)值衰減(decay)設(shè)置為0.000 5，起始學(xué)習(xí)率(learning rate)設(shè)為0.001，并在每迭代4 000次后衰減0.1倍。

總計訓(xùn)練12 000次，每100次輸出一次權(quán)值文件，其訓(xùn)練模型基于驗證集計算出的平均準(zhǔn)確率(mean average precision,mAP)隨迭代次數(shù)的變化如圖4所示，可以看出mAP穩(wěn)定在92%。關(guān)于模型更具體的描述(如與其他算法的性能對比、實際測試集的評估和實際檢測圖像實例)參照文獻[24]。

1.3.2傳統(tǒng)機器視覺

雖然深度神經(jīng)網(wǎng)絡(luò)具有較高的準(zhǔn)確率和泛化能力，但是對計算力的要求較高，通常將其部署在并行計算能力強的GPU上運行，用額外的成本換取檢測效率的提高。本文采用神經(jīng)網(wǎng)絡(luò)主要是為了應(yīng)對動態(tài)變化的光照環(huán)境，但在實際試驗中在一定的時間段內(nèi)環(huán)境光照不會發(fā)生劇烈變化，這時傳統(tǒng)的機器視覺算法也能夠得到穩(wěn)定的檢測結(jié)果，并且會消耗更少的計算資源，加快檢測速度。

圖4 mAP隨迭代次數(shù)的變化曲線

本文傳統(tǒng)視覺算法流程分為4個步驟：①將所采集的RGB圖像轉(zhuǎn)換至HSV空間，提取H分量，設(shè)置閾值為紅色范圍并二值化，初步分割出蘋果區(qū)域。②用開運算消除細(xì)微的噪聲。③找到所有的連通區(qū)域。④利用最小外接矩形標(biāo)注各個連通區(qū)域，其中面積最大的矩形框設(shè)為當(dāng)前的主要目標(biāo)。其具體流程如圖5所示。算法最終會得到矩形框的尺寸及其中心點。由于該算法僅利用目標(biāo)顏色進行識別，實際計算量非常小，遠(yuǎn)低于深度神經(jīng)網(wǎng)絡(luò)的算法。

圖5 蘋果檢測步驟

1.3.3算法融合

為了利用前面2種算法的優(yōu)勢，將兩者結(jié)合使用。視覺系統(tǒng)在運行時會根據(jù)當(dāng)時環(huán)境的變化而切換算法，在復(fù)雜環(huán)境下啟用魯棒性更強的深度神經(jīng)網(wǎng)絡(luò)，而在單一環(huán)境下啟用速度更快的傳統(tǒng)機器視覺。其中視覺系統(tǒng)的切換需要在兩者之間設(shè)計一個算法進行溝通，并以一定的閾值控制兩者的切換，閾值計算公式為

(1)

式中 (x、y)——目標(biāo)中心坐標(biāo)

w、h——目標(biāo)外包矩形框的寬度和高度

其中下標(biāo)1表示深度神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，下標(biāo)2表示傳統(tǒng)機器視覺輸出結(jié)果。

這里將前者算法的檢測結(jié)果作為可靠數(shù)據(jù)，然后計算后者算法結(jié)果與前者的偏差，當(dāng)偏差τ越大時，說明傳統(tǒng)機器視覺的結(jié)果越不可信。當(dāng)τ大于τo時，會使用深度神經(jīng)網(wǎng)絡(luò)的結(jié)果作為系統(tǒng)檢測結(jié)果，反之將傳統(tǒng)機器視覺的結(jié)果作為系統(tǒng)檢測結(jié)果，τo是二者切換的閾值，初始算法設(shè)為深度神經(jīng)網(wǎng)絡(luò)算法。這樣的切換機制會在兩種情況下觸發(fā)：機器人工作10 min之后；末端執(zhí)行器采摘失敗2次之后。具體流程如圖6所示。

圖6 視覺系統(tǒng)切換流程圖

1.4 機械系統(tǒng)

1.4.1機械臂

圖7 采摘機械手結(jié)構(gòu)簡圖

機械結(jié)構(gòu)是由5自由度的PRRRP機械臂和末端執(zhí)行器構(gòu)成，如圖7所示。第1個自由度由升降平臺控制，用來調(diào)節(jié)整體機器人的高度，以適應(yīng)不同高度的果樹；第2個自由度由腰部電機控制，實現(xiàn)機械臂的x軸移動；第3和第4個自由度由大臂和小臂電機控制，實現(xiàn)機械臂的y軸移動；第5個自由度由氣動推桿控制，以實現(xiàn)末端執(zhí)行器的伸縮。

機械臂在整個運動過程中負(fù)責(zé)將末端執(zhí)行器對準(zhǔn)目標(biāo)蘋果，它會在視覺系統(tǒng)獲得目標(biāo)坐標(biāo)后開啟對準(zhǔn)模式。因為視覺傳感器放置在末端執(zhí)行器的中央位置，屬于手眼模式，由此視覺系統(tǒng)傳回的目標(biāo)坐標(biāo)是局部坐標(biāo)。手眼模式的優(yōu)勢在于機械臂基于局部坐標(biāo)進行工作，可以不斷地進行位置的矯正判斷，相比于利用全局相機得到的精準(zhǔn)坐標(biāo)進行一次性定位，手眼模式對機械結(jié)構(gòu)本身的精度要求很低，不會因為機械臂有稍微的磨損而無法正確地抓取到目標(biāo)。

機械臂控制模型如圖8所示，視覺系統(tǒng)在獲得目標(biāo)坐標(biāo)(xt,yt)之后，計算目標(biāo)到攝像頭圖像中心點的偏移ex、ey，由此可以計算出將目標(biāo)對準(zhǔn)中心點所需要的機械關(guān)節(jié)轉(zhuǎn)動角，轉(zhuǎn)換關(guān)系為

(2)

式中 Δθ1、Δθ2、Δθ3——腰部、大臂、小臂電機轉(zhuǎn)動角

k1、k2——機械臂的控制參數(shù)

Δd——將圖像中移動的像素距離調(diào)整為電機轉(zhuǎn)動角的系數(shù)

圖8 機械臂控制模型

1.4.2末端執(zhí)行器

收獲機器人采摘流程中，對采摘蘋果品質(zhì)影響最大的是末端執(zhí)行器的機械結(jié)構(gòu)。為了保護蘋果在采摘過程中不被損傷，需要使用具有柔性抓取能力的抓手，本文使用的末端執(zhí)行器的機械機構(gòu)如圖9所示。末端執(zhí)行器由兩個氣動裝置驅(qū)動，第1個氣動裝置負(fù)責(zé)抓手的張開和閉合，第2個氣動裝置負(fù)責(zé)割刀的圓周運動以割開果梗；同時上面附有3個傳感器：抓手同軸心的攝像頭、2個抓手內(nèi)側(cè)的紅外光電傳感器和壓力傳感器。

圖9 末端執(zhí)行器機械機構(gòu)

抓取蘋果分3個步驟：

(1)當(dāng)采摘流程進入抓取蘋果階段時，接收到機械臂對準(zhǔn)目標(biāo)的信號之后，直動推桿的啟動裝置持續(xù)伸出末端執(zhí)行器，此時抓手上的紅外光電傳感器檢測到抓手目標(biāo)存在后停止直動推桿的伸縮，并激活末端執(zhí)行器上的第1個氣動裝置合并抓手，此時合并壓力會隨著壓力傳感器傳回壓力的逐漸增大而逐漸減小，其關(guān)系式[25]為

p=k3/(f+s)2

(3)

式中k3——氣壓公式的參數(shù)

f——壓力傳感器轉(zhuǎn)換的壓力

s——從啟動氣動裝置開始的時間

p——供給氣動裝置的氣壓

直到p為零時，完全抓住目標(biāo)。

(2)激活第2個氣動裝置啟動割刀割斷果梗，使蘋果與樹分離。

(3)收回直動推桿，回到其初始位置激活第1個氣動裝置張開抓手釋放蘋果，讓蘋果順著回收管道成功回收，其具體流程如圖10所示。

圖10 末端執(zhí)行器抓取流程圖

2 試驗與結(jié)果分析

2.1 測試環(huán)境

蘋果收獲機器人試驗地點位于實驗室內(nèi)。試驗對象是一棵高度仿真的蘋果樹，有錯落的樹枝、大量的樹葉和顏色質(zhì)地不同的蘋果分布設(shè)置，蘋果樹和真實果樹尺寸一致，如圖11所示。

圖11 收獲機器人試驗圖

除了以上介紹的機械部分，試驗中的硬件包含負(fù)載機器人的底盤平臺、提供動力的移動電源和提供氣壓的空壓機、控制電機的伺服驅(qū)動器、控制氣動的伺服定位控制器、輔助照明光源等。機器人硬件組成如表1所示。

表1 試驗硬件

工控機CPU為Intel Core i7-7700HQ，內(nèi)存8 GB，操作系統(tǒng)為Windows XP，使用編譯器為Visual Studio 2010，編譯語言為C++，人機交互界面使用MFC框架，使用的庫包括OpenCV3.4、Festo SDK、臺達SDK。其中視覺系統(tǒng)中深度神經(jīng)網(wǎng)絡(luò)運行在Intel CPU的集成顯卡中，運用openMP進行加速檢測，傳統(tǒng)方法也同樣運行在CPU上。

2.2 視覺試驗

視覺試驗單獨測試視覺系統(tǒng)中2種算法的運行時間和用以調(diào)整機械臂對準(zhǔn)模式下的運行頻率。先改變運行邏輯單獨測試2種算法，測試2種算法在白天和黑夜環(huán)境下的運行時間。將攝像頭對準(zhǔn)目標(biāo)持續(xù)檢測3 min，收集算法的運行時間，計算出平均檢測單幅圖像所需的時間。為了實現(xiàn)在空曠環(huán)境下夜間識別的測試，使用黑色的幕布吸收光線來模擬夜間環(huán)境，以避免墻壁反光造成的二次光源。試驗環(huán)境如圖12所示。

圖12 黑夜模擬環(huán)境

試驗結(jié)果表明，傳統(tǒng)機器視覺運行時間白天為10 ms，黑夜為9 ms，深度神經(jīng)網(wǎng)絡(luò)白天為60 ms，黑夜為55 ms。由于白天背景復(fù)雜，算法運行時間普遍比黑夜長，傳統(tǒng)算法的效率約為深度神經(jīng)網(wǎng)絡(luò)算法的6倍。

為了模擬果園環(huán)境下的視覺識別，分別在白天和夜晚進行視覺系統(tǒng)試驗，其檢測結(jié)果和人工檢測結(jié)果進行對比，人工檢測的目標(biāo)限定為離末端執(zhí)行器80 cm的可摘取蘋果。

打開機械臂掃描模式，每隔10 s將攝像頭采集的圖像及其檢測結(jié)果保存到工控機中，持續(xù)采集3 min，讓機器人掃描到大部分采摘區(qū)域。試驗共進行5次，從14:00開始，到22:00結(jié)束，將每次檢測蘋果的個數(shù)除以人工從圖像計數(shù)得到的個數(shù)作為試驗的準(zhǔn)確率，結(jié)果如表2所示。

可以看出整體視覺檢測時間都較短，白天由于光照的復(fù)雜性，會采用深度神經(jīng)網(wǎng)絡(luò)作為主要的檢測算法，檢測時間較長，同時準(zhǔn)確率因為不同時間段光照的變化而不同；黑夜在輔助光源下檢測時，單調(diào)的背景使得傳統(tǒng)機器視覺也能適用，檢測時間大幅下降，并且準(zhǔn)確率得到提高。本次試驗得到系統(tǒng)總體識別準(zhǔn)確率為94.14%，白天單幅圖像平均檢測時間為66 ms，夜間單幅圖像平均檢測時間為11 ms，總體單幅圖像檢測時間為44 ms。

表2 視覺試驗結(jié)果

2.3 采摘試驗

蘋果收獲機器人需要評估采摘率和采摘時間2個參數(shù)，采摘率為收獲的蘋果占采摘范圍內(nèi)可視蘋果總數(shù)的比例；采摘時間為采摘單個蘋果需要的平均時間，包括各個工作環(huán)節(jié)的時間。

進行采摘試驗之前，在仿真樹的一面上隨機掛好蘋果。然后讓機器人進入自動采摘模式，采摘蘋果的同時在后臺記錄各個階段的運行時間，進行4次試驗，其中第4次為夜間試驗，每次試驗蘋果懸掛的位置隨機，仿真樹也會旋轉(zhuǎn)一定角度。試驗結(jié)果如表3所示，表中平均時間是指采摘單個蘋果所用時間的平均值。

表3 采摘試驗結(jié)果

由表3可知，單個蘋果采摘時間為7.81 s，采摘率為81.25%。占用時間較長的是對準(zhǔn)和抓取階段，其中對對準(zhǔn)階段用時影響最大的是視覺識別的刷新速度和機械臂的轉(zhuǎn)動精度，對抓取階段用時影響最大的是直動推桿的移動速度。相比于電動推桿，氣動直動推桿動作迅速，能夠顯著縮短采摘時間。在整個抓取動作中，涉及到推桿的伸出和縮回，抓手的張開與閉合還有割刀的劃動，這些動作全部由氣動實現(xiàn)需要2.69 s，對比文獻[26]電動機器人的6 s，效率提高了近1倍。

相比于電動推桿驅(qū)動機器人[26]15.4 s的單個蘋果抓取時間，本文機器人抓取時間降低了48%。

所以采用的實時視覺系統(tǒng)和以氣動作為動力的抓取系統(tǒng)對整體采摘時間有極大的優(yōu)化作用。

3 結(jié)論

(1)設(shè)計了能夠自動識別并采摘的蘋果收獲機器人。闡述了整體系統(tǒng)構(gòu)成、機械系統(tǒng)和視覺系統(tǒng)的設(shè)計，并針對視覺系統(tǒng)的識別能力、機器人的采摘效率和采摘速度進行試驗。

(2)相比于純電動機器人，基于氣電混合動力的機械臂設(shè)計使采摘效率得到大幅提升。視覺系統(tǒng)中2種算法的切換模式提高了系統(tǒng)對光線變化和復(fù)雜環(huán)境的魯棒性，機器人在不影響實時性的條件下增加了工作時長，同時搭載的輔助照明增加了機器人夜間工作的能力。

(3)視覺試驗和采摘試驗表明，視覺系統(tǒng)的總體識別準(zhǔn)確率為94.14%，時間為44 ms；采摘單個蘋果平均需要7.81 s，采摘率為81.25%，視覺系統(tǒng)和末端執(zhí)行器的優(yōu)化縮短了整體的采摘時間。